《Journal of Water Process Engineering》：Feature-DTW and Mel-Spectrogram-based sensor fusion: A framework for leak detection and classification in water distribution systems
编辑推荐：
马特乌斯·梅德埃罗斯·多纳托尼（Matheus Medeiros Donatoni）|若昂·伊纳西奥·莫雷拉·贝泽拉（Jo?o Inácio Moreira Bezerra）|马龙·毛里西奥·埃尔南德斯·塞利（Marlon Mauricio Hernández Cely）|贝尔纳
马特乌斯·梅德埃罗斯·多纳托尼（Matheus Medeiros Donatoni）|若昂·伊纳西奥·莫雷拉·贝泽拉（Jo?o Inácio Moreira Bezerra）|马龙·毛里西奥·埃尔南德斯·塞利（Marlon Mauricio Hernández Cely）|贝尔纳多·佩雷拉·福雷斯蒂（Bernardo Pereira Foresti）|奥斯卡·毛里西奥·埃尔南德斯·罗德里格斯（Oscar Maurício Hernandez Rodriguez）|莱奥波尔多·皮萨内利·罗德里格斯·德奥利维拉（Leopoldo Pisanelli Rodrigues de Oliveira）
动态实验室（LadDin），圣卡洛斯工程学院机械工程系，圣保罗大学，Trabalhador Sancarlense大道400号，圣卡洛斯，13566-590，巴西
摘要
水泄漏检测对于防止水资源、能源和经济损失至关重要，同时确保可靠的供水。在这项研究中，我们使用了一个基于实验室的泄漏数据集，并提出了一种高效的泄漏检测和分类框架，该框架结合了先进的特征工程、传感器融合和机器学习技术。该方法采用动态时间规整（DTW）算法与参考实例策略进行比较，并在改进的Feature-DTW框架中利用梅尔频谱图（Mel-Spectrograms）对时间序列进行表示。通过低维频谱图表示降低了计算成本，并通过从DTW对齐路径中提取特征来增强特征丰富度。提出了三种传感器融合策略，并对其进行了评估，这些策略在准确性和计算效率之间进行了权衡。使用极端梯度提升算法（Extreme Gradient Boosting），该框架在泄漏检测和泄漏类型分类方面均取得了高性能。该方法在泄漏检测方面的准确率为0.991，在泄漏类型分类方面的准确率为0.984——这一结果与最先进的技术相当，同时保持了适合在边缘设备上实时部署的计算开销。实验结果表明，基于频谱图的Feature-DTW方法，结合有针对性的参考实例和高效的融合策略，是一种强大且可扩展的精确泄漏检测和分类方法。
